54 lines
2.2 KiB
Markdown
54 lines
2.2 KiB
Markdown
# Judge bake-off-rapport — S1 (Fase 3 de-risk)
|
|
|
|
_Generert deterministisk av `run-judge-bakeoff.mjs` over `gold-correctness-set.json` + `judge-bakeoff-results.json`. Tall fra testet `lib/judge-bakeoff.mjs`. Ikke rediger for hånd — regenerer._
|
|
|
|
**Forhåndsregistrert gate (låst FØR fan-out):** recall ≥ 0.7, presisjon ≥ 0.6, OG judge-recall > staleness-recall.
|
|
|
|
## Evaluerings-populasjon (P)
|
|
|
|
Volatil stratum + fetchbare claim_types (price ekskludert) — der feilene bor; unngår «invertert leverage».
|
|
|
|
| metrikk | verdi |
|
|
|---|---|
|
|
| P totalt | 255 |
|
|
| Verifiserbare (correct/outdated/wrong) | 240 |
|
|
| Positive (reelle feil å fange) | 40 |
|
|
| Negative (correct) | 200 |
|
|
| Unsourced i P (kjørt, men utenfor P/R) | 15 |
|
|
|
|
## Arm-sammenligning (detektering over de 240 verifiserbare)
|
|
|
|
| arm | TP | FP | FN | TN | presisjon | recall | recall Wilson 95% | F1 |
|
|
|---|---|---|---|---|---|---|---|---|
|
|
| staleness (billig baseline) | 0 | 0 | 40 | 200 | n/a | 0.0% | [0.0%, 8.8%] | n/a |
|
|
| judge (per-påstand groundedness) | 35 | 4 | 5 | 196 | 89.7% | 87.5% | [73.9%, 94.5%] | 0.886 |
|
|
| hybrid (union) | 35 | 4 | 5 | 196 | 89.7% | 87.5% | [73.9%, 94.5%] | 0.886 |
|
|
|
|
## Judge per claim_type (verifiserbar delmengde)
|
|
|
|
| claim_type | positive | TP | FP | FN | presisjon | recall |
|
|
|---|---|---|---|---|---|---|
|
|
| taxonomy | 11 | 9 | 0 | 2 | 100.0% | 81.8% |
|
|
| status | 8 | 6 | 3 | 2 | 66.7% | 75.0% |
|
|
| sku | 8 | 7 | 0 | 1 | 100.0% | 87.5% |
|
|
| version | 7 | 7 | 0 | 0 | 100.0% | 100.0% |
|
|
| tpm | 5 | 5 | 0 | 0 | 100.0% | 100.0% |
|
|
| region | 1 | 1 | 1 | 0 | 50.0% | 100.0% |
|
|
|
|
## source_silent-diagnostikk
|
|
|
|
Judgen hentet siden men fant ikke verdien. Diagnostisk, ikke et flagg.
|
|
|
|
| signal | antall | tolkning |
|
|
|---|---|---|
|
|
| På verifiserbar feil | 0 | judge-bom: reell feil oversett via «kan ikke verifisere» |
|
|
| På verifiserbar correct | 0 | judge reproduserte ikke et korrekt faktum mennesket fant |
|
|
| Enig med unsourced | 2 | judge reproduserer den uverifiserbare grensen (godt) |
|
|
| Uenig med unsourced | 13 | judge hevdet grunnet/ugrunnet der mennesket ikke fant kilde |
|
|
|
|
## GATE: ✅ PASS — bygg S3
|
|
|
|
- recall 0.875 ≥ 0.7? **ja**
|
|
- presisjon 0.897 ≥ 0.6? **ja**
|
|
- slår staleness (recall 0.000)? **ja**
|
|
- begrunnelse: all criteria met
|